1.张量的概念
从功能角度看，张量(tensor)可以简单理解为多维数组。
零阶张量表示标量(scalar),即一个数；
第一阶张量为向量(vector),即一个一维数组；
第n阶张量可以理解为一个n维数组。
但是张量在tensorflow中并不是直接采用数组的形式，它只是对tensorflow中计算结果的引用。
在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。
tensorflow计算的结果不是一个具体的数字，而是一个张量的结构。
示例：
import tensorflow as tf
#tf.constant是一个计算，这个计算的结果是一个张量，保存在a中
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([2.0,3.0],name="b")
result = a + b
print (result)
'''
输出：
Tensor("add:0",shape=(2,0),dtype=float32)
'''
从运行结果可以看出：一个张量主要保存三个属性——名字(name)、维度(shape)、类型(type)
（1）名字(name)
名字是张量的唯一标识符。张量的命名可以通过“node:src_output”的形式给出。
其中node为节点名称，src_output表示当前张量来自节点的第几个输出。
比如上面打印的“add:0”，说明result这个张量是计算节点“add”输出的第一个结果（编号从0开始）
（2）维度(shape)
比如上面的shape=(2,)，说明result是一个一维数组，这个数组的长度为2。
（3）类型(type)
每一个张量有唯一的类型。如果不指定类型，比如不带小数点的数会被默认为int32，带小数点的会默认为float32。
tensorflow支持14种不同的类型：
实数(tf.float32、tf.float64)
整数(tf.int8、tf.int16、tf.int32、tf.int64、tf.unit8)
布尔型(tf.bool)
复数(tf.complex64、tf.complex128)
2.张量的使用
张量的使用主要分为两大类：
（1）第一类用途是对中间计算结果的引用。
示例：
import tensorflow as tf
#使用张量记录中间的结果
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([2.0,3.0],name="b")
result = a + b
#直接计算向量的和，但是这样可读性差
result = tf.constant([1.0,2.0],name="a") + b = tf.constant([2.0,3.0],name="b")
（2）第二类用途是当计算图构造完成后，张量可以通过会话(Session)得到真实的数字。
3.张量的形状
shape——描述了张量的维数和每一维的长度。
张量的形状可以是包含有序整数集的列表(list)或元组(tuple)。
like：列表[2,3]描述了一个2阶张量的形状，其中第一维长度是2，第2维长度是3.
张量还可以用None作为某一维的值，使之具有可变长度。此外，将形状指定为None（而非使用包含None的列表或元组）将
通知Tensorflow允许一个张量为任意形状，即张量可拥有任意维数，且每一维都可具有任意长度。
-*-如果需要在数据流图的中间获取某个张量的形状，可以使用tf.shape(),它的输入是tensor对象，输出是一个int32类型的向量。
注意：与其他Op一样，tf.shape只能通过Session对象得到执行。